Sistema de alerta temprana mediante clasificación de imágenes para medir el nivel de seguridad en las paradas de buses

William Michael Rezabala Bravo, Leonardo Chancay García

Resumen


En estos últimos años la seguridad en los ciudadanos es un tema muy alarmante en la sociedad, los circuitos cerrados de televisión (CCTV) se han convertido en una opción muy conveniente para combatir la delincuencia en lugares estratégicos, su funcionalidad está basada mediante el uso de cámaras de seguridad las cuales pueden hacer un monitoreo mediante algoritmos de inteligencia artificial y notificar lo sucedido mediante la clasificación de imágenes utilizando sistemas de clasificación ya que permiten extraer automáticamente característica que se utilizan para la clasificación de imágenes en tiempo real, basados en algoritmos definidos por humanos proporcionando un gran avance en la inteligencia artificial, en este artículo presentaremos una revisión sistemática de la literatura para la creación de un sistema de alerta temprana mediante clasificación de imágenes para medir el nivel de seguridad en las paradas de buses.


Palabras clave


CCTV; red neuronal; transporte urbano; visión por computador.

Texto completo:

PDF XML

Referencias


R. J. Morocho Alfredo, “UNIVERSIDAD POLITÉCNICA SALESIANA SEDE CUENCA CARRERA DE INGENIERÍA MECÁNICA AUTOMOTRIZ,” p. 17, 2019.

Washington D., “Conversatorio ‘Seguridad Ciudadana y Tecnología’ | CAF,” 2021. https://www.caf.com/es/actualidad/eventos/2021/08/conversatorio-seguridad-ciudadana-y-tecnologia/ (accessed Aug. 08, 2022).

H. Mun and M. Lee, “Design for Visitor Authentication based on Face Recognition Technology using CCTV,” IEEE Access, vol. PP, p. 1, 2022, doi: 10.1109/ACCESS.2022.3223374.

M. O. MERCHAN LUIS, “UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ FACULTAD DE CIENCIAS TÉCNICAS CARRERA DE INGENIERIA EN COMPUTACIÓN Y REDES PROYECTO DE INVESTIGACIÓN: PREVIA A LA OBTENCIÓN DEL TÍTULO DE,” 2020.

Nichols Miranda Pedro, “INSEGURIDAD Y VICTIMIZACIÓN EN EL TRANSPORTE PÚBLICO URBANO,” scielo, 2015, Accessed: Aug. 11, 2022. [Online]. Available: http://www.scielo.org.bo/pdf/rts/n36/n36_a02.pdf.

M. Bergman, “Delito y prosperidad: una paradoja latinoamericana,” Análisis Político, vol. 34, no. 102, pp. 3–22, 2021, doi: 10.15446/anpol.v34n102.99929.

G. Collaguazo, “DISEÑO E IMPLEMENTACION DE UN SISTEMA CCTV BASADO EN RED IP INALAMBRICA PARA VIGILANCIA DE LA ACADEMIA ‘LA BRETAÑA,’” DISEÑO E IMPLEMENTACION UN Sist. CCTV BASADO EN RED IP Ina. PARA Vigil. ., pp. 21–113, 2015.

D. Ameijeiras Sánchez, H. R. González Diez, and Y. Hernández Heredia, “Revisión de algoritmos de detección y seguimiento de objetos con redes profundas para videovigilancia inteligente,” Rev. Cuba. Ciencias Informáticas, vol. 14, no. 3, pp. 165–195, 2020, Accessed: Nov. 09, 2022. [Online]. Available: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992020000300165&lng=es&nrm=iso&tlng=es.

J. Memon, M. Sami, R. A. Khan, and M. Uddin, “Handwritten Optical Character Recognition (OCR): A Comprehensive Systematic Literature Review (SLR),” IEEE Access, vol. 8, pp. 142642–142668, 2020, doi: 10.1109/ACCESS.2020.3012542.

F. U. M. Ullah, M. S. Obaidat, A. Ullah, K. Muhammad, M. Hijji, and S. W. Baik, “A Comprehensive Review on Vision-Based Violence Detection in Surveillance Videos,” ACM Comput. Surv., vol. 55, no. 10, Feb. 2023, doi: 10.1145/3561971.

Y. J. Cao et al., “Recent Advances of Generative Adversarial Networks in Computer Vision,” IEEE Access, vol. 7, no. c, pp. 14985–15006, 2019, doi: 10.1109/ACCESS.2018.2886814.

S. Dey, A. K. Singh, D. K. Prasad, and K. D. McDonald-Maier, “SoCodeCNN: Program Source Code for Visual CNN Classification Using Computer Vision Methodology,” IEEE Access, vol. 7, pp. 157158–157172, 2019, doi: 10.1109/ACCESS.2019.2949483.

M. T. Bhatti, M. G. Khan, M. Aslam, and M. J. Fiaz, “Weapon Detection in Real-Time CCTV Videos Using Deep Learning,” IEEE Access, vol. 9, pp. 34366–34382, 2021, doi: 10.1109/ACCESS.2021.3059170.

S. V. Mahadevkar et al., “A Review on Machine Learning Styles in Computer Vision - Techniques and Future Directions,” IEEE Access, vol. 10, no. August, pp. 107293–107329, 2022, doi: 10.1109/ACCESS.2022.3209825.

M. O. Almasawa, L. A. Elrefaei, and K. Moria, “A Survey on Deep Learning-Based Person Re-Identification Systems,” IEEE Access, vol. 7, pp. 175228–175247, 2019, doi: 10.1109/ACCESS.2019.2957336.

Z. Dong, J. Wei, X. Chen, and P. Zheng, “Face Detection in Security Monitoring Based on Artificial Intelligence Video Retrieval Technology,” IEEE Access, vol. 8, pp. 63421–63433, 2020, doi: 10.1109/ACCESS.2020.2982779.

S. Alfasly et al., “Multi-Label-Based Similarity Learning for Vehicle Re-Identification,” IEEE Access, vol. 7, pp. 162605–162616, 2019, doi: 10.1109/ACCESS.2019.2948965.

M. Waheed et al., “An LSTM-Based Approach for Understanding Human Interactions Using Hybrid Feature Descriptors over Depth Sensors,” IEEE Access, vol. 9, pp. 167434–167446, 2021, doi: 10.1109/ACCESS.2021.3130613.

M. Amirian and F. Schwenker, “Radial Basis Function Networks for Convolutional Neural Networks to Learn Similarity Distance Metric and Improve Interpretability,” IEEE Access, vol. 8, pp. 123087–123097, 2020, doi: 10.1109/ACCESS.2020.3007337.

P. Pawłowski, A. Dąbrowski, J. Balcerek, A. Konieczka, and K. Piniarski, “Visualization techniques to support CCTV operators of smart city services,” Multimed. Tools Appl., vol. 79, no. 29–30, pp. 21095–21127, 2020, doi: 10.1007/s11042-020-08895-6.

V. R. Mileva, P. J. B. Hancock, and S. R. H. Langton, “Visual search performance in ‘CCTV’ and mobile phone-like video footage,” Cogn. Res. Princ. Implic., vol. 6, no. 1, 2021, doi: 10.1186/s41235-021-00326-w.

M. M. Thielgen, S. Schade, and C. Bosé, “Face processing in police service: the relationship between laboratory-based assessment of face processing abilities and performance in a real-world identity matching task,” Cogn. Res. Princ. Implic., vol. 6, no. 1, 2021, doi: 10.1186/s41235-021-00317-x.

M. Smith and S. Miller, “The ethical application of biometric facial recognition technology,” AI Soc., vol. 37, no. 1, pp. 167–175, 2022, doi: 10.1007/s00146-021-01199-9.

S. Neil, B. Nandish, and S. Manan, “Crime forecasting: a machine learning and computer vision approach to crime prediction and prevention,” Vis. Comput. Ind. Biomed. Art, vol. 7, no. 9, pp. 1–14, 2013.

D. A. Sánchez and H. Gonzáles Diez, “Algorithms for detection and tracking objects with deep networks for intelligent video surveillance : A review Introducción,” Rev. Cuba. Ciencias Informáticas, vol. 14, no. 3, pp. 165–196, 2020.

J. L. Salazar González, C. Zaccaro, J. A. Álvarez-García, L. M. Soria Morillo, and F. Sancho Caparrini, “Real-time gun detection in CCTV: An open problem,” Neural Networks, vol. 132, no. September, pp. 297–308, 2020, doi: 10.1016/j.neunet.2020.09.013.

V. Singh, S. Singh, and P. Gupta, “Real-Time Anomaly Recognition Through CCTV Using Neural Networks,” Procedia Comput. Sci., vol. 173, no. 2019, pp. 254–263, 2020, doi: 10.1016/j.procs.2020.06.030.

A. A. Navarro and R. O. Morales, “mediante un sensor Kinect Review of facial recognition methods in RGB-D images acquired using a Kinect sensor Introducción,” vol. 16, no. 2, pp. 157–187, 2022.




DOI: https://doi.org/10.23857/pc.v8i7.5825

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/